五机架冷连轧机轧制规程优化.pptVIP

燕山大学工学硕士答辩 改进自适应遗传算法功率负荷优化 适应度函数的改进 由于自适应遗传算法在进化搜索中仅以适应度函数为依据。因此适应度函数的选取显得格外重要，直接影响算法的收敛速度以及最终能否搜索到最优解。 在上一章中 这种适应度函数简单直观，但是存在两个缺点，一是在用轮盘赌选择中概率非负的条件得不到满足；二是在求解某代的函数时在函数值分布上相差很大，得到的平均适应度不利于体现种群的平均性质，影响算法的搜索速度及能否搜索最优解； （4-1） 第三十页，共53页。 燕山大学工学硕士答辩 改进后 式中， 为的最大值 估计。 交叉点的改进 为了改变交叉点选择的盲目性和随机性，根据父代染色体的适应度值来控制交叉点的位置，假定染色体的串长为 适应度值为 ，则交叉点的串长为 （4-2） （4-3） 第三十一页，共53页。 燕山大学工学硕士答辩 交叉算子的改进 式中， 为群体中最大的适应度值； 为每代群体的平均适应度值； 为要交叉的两个个体中较大的适应度值； 为要变异个体的适应度值； 及 分别表示交叉率值的上限和下限， 为设定的常数。 （4-4） 第三十二页，共53页。 燕山大学工学硕士答辩 变异算子的改进 为增强算法在局部范围的搜索能力，设定常数 ， 将长度为的编码串分为两部分， 之间的基因位作为低位基因部分， 之间的部分作为高位基因部分，使处于不同部分的基因位具有不同的变异率 其中， 为取整数， 表示高位基因部分的变异率， 表示低位基因部分的变异率， 为进化代数， 均为设定的常数。 （4-5） 第三十三页，共53页。 燕山大学工学硕士答辩 寻优搜索 本负荷优化选用的目标函数使各机架轧制功率相对负荷均衡分配，染色体的选择为各机架相对压下率分配比，即 。两个钢种的搜索寻优如下： 图4－1 08AL钢种 图4－2 Q195钢种 第三十四页，共53页。 燕山大学工学硕士答辩 机架 规程方法 出口厚度(mm) 各压下率 (%) 轧制 功率(kW) 负荷系数 1 现场 1.710 31.36 1750.0 0.692 AGA 1.600 28.88 2258.0 0.878 IAGA 1.650 34.00 2302.2 0.895 2 现场 1.190 30.41 2315.0 0.908 AGA 1.172 26.75 2312.0 0.899 IAGA 1.165 29.39 2293.0 0.907 3 现场 0.850 28.57 2159.4 0.840 AGA 0.856 26.96 2253.5 0.876 IAGA 0.846 27.38 3043.8 0.828 4 现场 0.580 31.76 2985.4 0.828 AGA 0.562 34.35 3241.3 0.812 IAGA 0.550 34.99 2733.3 0.882 5 现场 0.500 13.79 1514.1 0.760 AGA 0.500 11.03 1354.2 0.412 IAGA 0.500 9.10 2312.0 0.369 表4－1 08AL现场、AGA与IAGA规程的优化结果比较 第三十五页，共53页。 燕山大学工学硕士答辩 机架 规程方法 出口厚度(mm) 各压下率 (%) 轧制 功率(kW) 负荷系数 1 现场 2.550 27.14 1762.0 0.685 AGA 2.430 30.57 2261.0 0.879 IAGA 2.471 29.10 2309.5 0.898 2 现场 1.810 29.02 2320.0 0.902 AGA 1.793 26.21 2110.5 0.820 IAGA 1.786 27.44 2270.0 0.882 3 现场 1.420 21.55 2189.0 0.851 AGA 1.412 21.42 2259.0 0.878 IAGA 1.398 21.68 2257.5 0.877 4 现场 1.180 16.90 3113.5 0.847 AGA 1.159 17.53 3085.5 0.840 IAGA 1.022 22.60 3248.0 0.884 5 现场 1.000 15.25 2742.0 0.746 AGA 1.000 13.94 1527